igraph.clustering - python-igraph 文档

模块文档

与图聚类相关的类。

函数	`_biconnected_components`	计算图的双连通分量。
函数	`_clusters`	Graph.connected_components() 的弃用别名。
函数	`_cohesive_blocks`	计算图的凝聚块结构。
函数	`_connected_components`	计算给定图的（强或弱）连通分量。
函数	`_handle_mark_groups_arg_for_clustering`	处理聚类绘图方法中的 `mark_groups=...` 关键字参数。
函数	`_prepare_community_comparison`	辅助方法，接受两个社区结构，可以是成员列表，也可以是 `Clustering` 实例，并返回一个包含两个成员列表的元组。

def _biconnected_components(graph, return_articulation_points=False): （来源） ¶

计算图的双连通分量。

参数
graph	未文档化
return_articulation_points	是否也返回关节点

返回
一个 `VertexCover` 对象，描述了双连通分量，并可选地包含关节点列表。

def _clusters(graph, mode='strong'): （来源） ¶

Graph.connected_components() 的弃用别名。

def _cohesive_blocks(graph): （来源） ¶

计算图的凝聚块结构。

内聚块分解（Cohesive blocking）是一种根据图顶点的结构内聚性（即顶点连通性）确定图顶点分层子集的方法。对于给定图 G，如果不存在顶点连通性大于或等于 k 的 S 超集，则其顶点子集 S 被认为是最大 k-内聚的。内聚块分解是一个过程，通过该过程，给定一个 k-内聚的顶点集，递归地识别最大 l-内聚的子集，其中 l > k。因此，最终会得到一个顶点子集层次结构，其中整个图 G 位于其根部。

返回
`CohesiveBlocks` 的实例。有关更多信息，请参阅 `CohesiveBlocks` 的文档。

另请参阅
`CohesiveBlocks`

def _connected_components(graph, mode='strong'): （来源） ¶

计算给定图的（强或弱）连通分量。

参数
graph	未文档化
mode	必须是以下之一：`"strong"`或`"weak"`，取决于所寻找的连通分量类型。可选，默认为`"strong"`.

返回
一个 `VertexClustering` 对象

def _handle_mark_groups_arg_for_clustering(mark_groups, clustering): （来源） ¶

处理聚类绘图方法中的 `mark_groups=...` 关键字参数。

这是一个内部方法，您无需处理。其目的是处理 `mark_groups=...` 关键字参数在__plot__VertexClustering 和 VertexCover 实例的方法中的扩展语义，即数值 ID 会自动解析为聚类的功能。

def _prepare_community_comparison(comm1, comm2, remove_none=False): （来源） ¶

辅助方法，接受两个社区结构，可以是成员列表，也可以是 Clustering 实例，并返回一个包含两个成员列表的元组。

此方法由 compare_communities 和 split_join_distance 使用。

参数
comm1	第一个社区结构，可以是成员列表或 `Clustering` 对象。
comm2	第二个社区结构，可以是成员列表或 `Clustering` 对象。
remove_none	是否移除`None`成员列表中的条目。如果`remove_none`为`False`，则`None`任何一个成员列表中的 `None` 条目`comm1`或`comm2`将导致异常。如果为`remove_none`为`True`, `None`，则这些值会被过滤掉，并且仅比较剩余的列表。